Machine learning 使用价差时消失

我们正在与一个团队研究如何能够预测高频价格波动。与直接预测价格不同，我们决定尝试预测价格差异以及功能。换句话说，在时间t+1，我们预测了时间t+2的价格差异和特征。我们使用时间t+1的预测特征来预测时间t+2的价格

我们非常激动，因为我们认为通过下面的图表可以得到很好的结果

我们在生产中遇到了问题，直到我们计算出了价格差异，我们才知道问题所在

下面是配置文件的内容

{
    "data": {
        "sequence_length":30,
        "train_test_split": 0.85,
        "normalise": false,
        "num_steps": 5
    },
    "training": {
        "epochs":200,
        "batch_size": 64
    },
    "model": {
        "loss": "mse",
        "optimizer": "adam",
        "layers": [
            {
                "type": "lstm",
                "neurons": 51,
                "input_timesteps": 30,
                "input_dim": 101,
                "return_seq": true,
                "activation": "relu"
            },
            {
                "type": "dropout",
                "rate": 0.1
            },
            {
                "type": "lstm",
                "neurons": 51,
                "activation": "relu",
                "return_seq": false
            },
            {
                "type": "dropout",
                "rate": 0.1
            },
            {
                "type": "dense",
                "neurons": 101,
                "activation": "relu"
            },
            {
                "type": "dense",
                "neurons": 101,
                "activation": "linear"
            }
        ]
    }
}

---

我们如何解决价差消失的问题？

预测下一个价格在1%左右是很容易的。你可以用旧的价格作为预测，达到1%。价格变化不大。因此，下一个价格几乎总是非常接近上一个价格。模特儿已经注意到了这一点

---

我猜你的模型除了下一个价格接近上一个价格这一非常简单的关系外，几乎什么也学不到。你的模型不一定有什么问题。预测股票价格应该是一个非常困难的问题。这个问题的解决办法会使你富有。这很难。

预测下一个价格在1%左右是很容易的。你可以用旧的价格作为预测，达到1%。价格变化不大。因此，下一个价格几乎总是非常接近上一个价格。模特儿已经注意到了这一点

---

我猜你的模型除了下一个价格接近上一个价格这一非常简单的关系外，几乎什么也学不到。你的模型不一定有什么问题。预测股票价格应该是一个非常困难的问题。这个问题的解决办法会使你富有。有那么难。

你有什么建议来解决这个问题？除了一般的算法调整外，我没有具体的想法。本质上，你是在问“如何制造一个更强大的神经网络”。这个问题的答案有10本书。零膨胀估计量是个好主意吗？首先预测它是否会是零。如果不能预测值？？我不熟悉这个概念。你有什么建议来解决这个问题？除了一般的算法调整之外，我没有具体的想法。本质上，你是在问“如何制造一个更强大的神经网络”。这个问题的答案有10本书。零膨胀估计量是个好主意吗？首先预测它是否会是零。如果不能预测值？？我不熟悉这个概念。